OpenAIのGPT-4o Miniの機能を詳しく解説

2024年5月にOpenAIはGPT-4oをリリースし、そのわずか2カ月後にGPT-4o Miniを発表しました。2024年7月18日、OpenAIはGPT-4o Miniを発表し、「最もコスト効率の高い小型モデル」と位置付けました。GPT-4o Miniは、以前のモデルの機能を基盤とするコンパクトなモデルであり、高度なAIをより利用しやすく、手頃な価格で提供することを目指しています。

GPT-4o Miniは現在、テキストと画像のやり取りに対応しており、今後のアップデートで画像、動画、音声を扱う機能が追加される予定です。この記事では、GPT-4o Miniの概要、主な機能、用途、GPT-4oとの違い、さまざまなコンピュータービジョンのユースケースでの活用方法を紹介します。

GPT-4o Miniとは何ですか？#

GPT-4o Miniは、コスト効率と利用しやすさを高めるよう設計された、OpenAIのAIモデルラインアップの最新モデルです。テキストや画像など複数の種類のデータを処理できるマルチモーダル大規模言語モデル (LLM)です。GPT-4やGPT-4oなどの以前のモデルの強みを引き継ぎ、コンパクトな形で高い機能を提供します。

GPT-4o MiniはGPT-3.5 Turboより60%安価で、入力トークン（モデルが処理するテキストやデータの単位）100万個あたり15セント、出力トークン（モデルが応答として生成する単位）100万個あたり60セントです。目安として、100万トークンは約2,500ページのテキスト処理に相当します。コンテキストウィンドウは128Kトークンで、1リクエストあたり最大16Kの出力トークンを処理できるため、GPT-4o Miniは効率性と手頃な価格を両立するよう設計されています。

図1. GPT-4o MiniはGPT-3.5 Turboより60%安価です。

GPT-4o Miniの主な機能#

GPT-4o Miniは幅広いタスクに対応しており、さまざまな用途に適しています。複数のAPI呼び出しなど複数の処理を同時に実行する場合、コードベース全体や会話履歴など大量のデータを扱う場合、カスタマーサポートのチャットボットで迅速かつリアルタイムな応答を提供する場合などに利用できます。

そのほかの主な機能は次のとおりです。

• 更新されたナレッジベース: モデルの知識カットオフは2023年10月です。
• 改良されたトークナイザー： GPT-4o Miniでは、英語以外のテキストをより低コストで処理できます。
• 堅牢な安全対策： 有害なコンテンツのフィルタリングや、プロンプトインジェクション、システム操作などのセキュリティ問題への対策が含まれています。

GPT-4o Miniを使い始める#

ChatGPTのインターフェースからGPT-4o Miniを試すことができます。Free、Plus、Teamのユーザーが利用でき、以下に示すようにGPT-3.5に代わるモデルです。OpenAIはAIのメリットをすべての人に提供することを目指しており、Enterpriseユーザーも間もなく利用できるようになります。GPT-4o Miniは、機能をアプリケーションに統合したい開発者向けにAPIからも利用できます。現時点で、ビジョン機能はAPI経由でのみ利用できます。

図2. ChatGPT内のモデルオプション。

GPT-4oとGPT-4o Miniの違い#

GPT-4oとGPT-4o Miniは、さまざまなベンチマークでいずれも優れた性能を発揮します。一般にGPT-4oのほうがGPT-4o Miniを上回りますが、GPT-4o Miniも日常的なタスクに適したコスト効率の高い選択肢です。ベンチマークには、推論タスク、数学やコーディングの能力、マルチモーダル推論が含まれています。以下の画像に示すように、GPT-4o Miniはほかの人気モデルと比べても高いベンチマーク結果を示しています。

図3. GPT-4o Miniとほかの人気モデルの比較。

GPT-4oとGPT-4o Miniを実際に試す#

オンラインで議論されている興味深いプロンプトの一つに、人気のLLMが小数を誤って比較するというものがあります。GPT-4oとGPT-4o Miniを実際に試したところ、推論能力には明確な違いが見られました。以下の画像では、両方のモデルに9.11と9.9のどちらが大きいかを尋ね、その理由も説明するよう求めています。

図4. GPT-4oとGPT-4o Miniのテスト。

最初はどちらのモデルも誤って9.11のほうが大きいと答えます。しかし、GPT-4oは推論を重ねて正解にたどり着き、9.9のほうが大きいと回答します。詳しい説明を示し、小数を正確に比較します。一方、GPT-4o Miniは9.9のほうが大きいという正しい推論を理解しているにもかかわらず、最初の誤った回答を頑なに維持します。

どちらのモデルも高い推論能力を示しています。GPT-4oは自ら回答を修正できるため、より優れており、複雑なタスクにも役立ちます。GPT-4o Miniは適応性では劣るものの、より簡単なタスクでは明快で正確な推論を行います。

さまざまなコンピュータービジョンのユースケースでGPT-4o Miniを使う#

コードに踏み込まずにGPT-4o Miniの画像認識機能を試したい場合は、OpenAI PlaygroundでAPIを簡単にテストできます。GPT-4o Miniがさまざまなコンピュータービジョン関連のユースケースにどの程度対応できるか、実際に試してみました。

GPT-4o Miniによる画像分類#

GPT-4o Miniに、蝶の画像と地図の画像を1枚ずつ分類するよう依頼しました。AIモデルは蝶と地図を正しく識別しました。画像が大きく異なるため、これは比較的簡単なタスクです。

図5. GPT-4o Miniを使った画像分類。

続いて、さらに2枚の画像をモデルに入力しました。1枚には植物の上に止まった蝶、もう1枚には地面に止まった蝶が写っています。AIは今回も優れた結果を示し、植物の上の蝶と地面の上の蝶を正しく識別しました。そこで、さらに難しいタスクを試しました。

図6. GPT-4o Miniを使った類似画像の分類。

次に、トウワタの花の蜜を吸う蝶と、ジニアの花の蜜を吸う蝶の画像を1枚ずつ分類するようGPT-4o Miniに依頼しました。特筆すべき点として、追加のファインチューニングなしで、非常に具体的なラベルを割り当てることができました。これらの簡単な例から、カスタムトレーニングなしでも画像分類タスクにGPT-4o Miniを利用できる可能性が示されます。

図7. GPT-4o Miniを使った詳細な画像の分類。

GPT-4o Miniによるポーズの理解#

この記事の執筆時点で、GPT-4o Miniは物体検出やインスタンスセグメンテーションなどのコンピュータービジョンタスクには対応できません。GPT-4oはこうしたタスクを試みることができますが、精度は限られています。同様に、姿勢の理解に関しても、画像内のキーポイントを検出したり姿勢を推定したりすることはできませんが、姿勢の分類や説明は可能です。

図8. GPT-4o Miniによる画像内のポーズの理解。

上の画像は、GPT-4o Miniが姿勢の正確な座標を検出または推定できない一方で、姿勢を分類して理解できることを示しています。この機能はさまざまな用途で役立ちます。たとえば、スポーツ分析では、選手の動きを大まかに評価して、けがの予防に役立てられます。同様に、理学療法では、リハビリ中に患者が正しい動きをしているか確認するための運動のモニタリングを支援できます。監視では、全般的なボディランゲージを分析し、不審な行動の特定に役立てられます。GPT-4o Miniは特定のキーポイントを検出できませんが、一般的な姿勢を分類する能力は、こうした分野を含む幅広い用途で有用です。GPT-6 LunaやGPT-6.1 Solなどの新しいOpenAIモデルはバウンディングボックスを描画でき、Ultralytics VLM Leaderboardでは、実世界のデータセットでの物体検出精度を比較できます。

GPT-4o Miniが適するアプリケーション#

GPT-4o Miniでできることを確認しました。次に、GPT-4o Miniが特に適した用途について説明します。

GPT-4o Miniは、高度な自然言語理解が必要で、計算リソースをあまり必要としない用途に適しています。通常ならコストが高すぎて難しいアプリケーションにも、AIを統合できます。実際、Artificial Analysisによる詳細な分析では、GPT-4o Miniはほとんどの他のモデルよりも高速に、高品質な応答を提供することが示されています。

図9. GPT-4o Miniの応答品質と出力速度。

特に役立つ可能性がある主な分野を以下に示します。

• バーチャルアシスタントとチャットボット： GPT-4o Miniは、迅速で的確な応答を提供し、ユーザーとのやり取りを改善できます。
• 教育ツール： このモデルを使って、個別指導やコンテンツ生成を提供するツールを構築できます。
• 生産性向上ツール： 文書の要約、メールの下書き、言語の翻訳などのタスクを改善し、効率を高めることができます。
• 言語翻訳: GPT-4o Miniを使って、異なる言語間のコミュニケーションを改善する、正確でリアルタイムな機械翻訳を提供する翻訳ツールを開発できます。

GPT-4o Miniが切り開く新たな可能性#

GPT-4o Miniは、マルチモーダルAIの未来に新たな可能性をもたらしています。テキストやデータの処理単位ごとにかかる費用であるトークンあたりのコストは、GPT-3モデルのtext-davinci-003がリリースされた2022年以降、約99%大幅に低下しました。このコスト低下は、高度なAIをより手頃な価格で利用できるようにする明確な傾向を示しています。AIモデルが進化し続けるにつれ、あらゆるアプリやウェブサイトへのAI統合が経済的に実現可能になる可能性が高まっています。

AIを実際に試してみませんか？GitHubリポジトリで当社のイノベーションをご覧いただき、活発なコミュニティにご参加ください。ソリューションページでは、製造業と農業におけるAIの活用について詳しく紹介しています。